Implementation of computation process in a bayesian network on the example of unit operating costs determination

• Autorzy: Kusz A. , Marciniak A. , Skwarcz J.

Warianty tytułu

PL

Implementacja procedury obliczeniowej w sieci bayesowskiej na przykładzie wyznaczania jednostkowych kosztów eksploatacji

• Języki publikacji: EN PL

Abstrakty

EN

In technical systems understood in terms of Agile Systems, the important elements are information flows between all phases of an object existence. Among these information streams computation processes play an important role and can be done automatically and also in a natural way should include consideration of uncertainty. This article presents a model of such a process implemented in a Bayesian network technology. The model allows the prediction of the unit costs of operation of a combine harvester based on the monitoring of dependent variables. The values of the decision variables representing the parameters of the machine’s operation and the intensity and the conditions for its operation, are known to an accuracy, which is defined by a probability distribution. The study shows, using inference mechanisms built into the network, how cost simulation studies of various situational options can be carried out.

PL

W systemach technicznych rozumianych w kategoriach Agile Systems istotnym elementem są przepływy informacyjne pomiędzy wszystkimi fazami istnienia obiektu. Pośród tych strumieni informacyjnych istotną rolę odgrywają procesy obliczeniowe, które mogą być realizowane automatycznie a ponadto w naturalny sposób powinny umożliwiać uwzględnienie niepewności. W artykule przedstawiono przykład takiego procesu realizowanego w technologii sieci bayesowskiej. Model umożliwia predykcję jednostkowych kosztów eksploatacji kombajnu zbożowego na podstawie monitorowania wielkości zmiennych od których one zależą. Wartości zmiennych decyzyjnych reprezentujących parametry pracy maszyny oraz intensywność i warunki jej eksploatacji są znane z dokładnością do rozkładu prawdopodobieństwa. W pracy pokazano w jaki sposób wykorzystując mechanizmy wnioskowania wbudowane w sieci można prowadzić symulacyjne badania kosztów w różnych wariantach sytuacyjnych.

Słowa kluczowe

EN

agricultural machinery operation; computing processes; unit operating costs; Bayesian networks

PL

eksploatacja maszyn rolniczych; procesy obliczeniowe; jednostkowe koszty eksploatacji; sieci bayesowskie

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2015
• Tom: Vol. 17, no. 2
• Strony: 266--272
• Opis fizyczny: Bibliogr. 30 poz., rys., tab.

Twórcy

autor

Kusz A.

• Department of Technology Fundamentals University of Life Sciences ul. Doświadczalna 50A, 20-680 Lublin, Poland

autor

Marciniak A.

• University of Economics and Innovation in Lublin, Poland ul. Projektowa 4. 20-209 Lublin

autor

Skwarcz J.

• Department of Technology Fundamentals University of Life Sciences ul. Doświadczalna 50A, 20-680 Lublin, Poland

Bibliografia

• 1. Andrzejczak K. Metody prognozowania w modelowaniu eksploatacji środków transportu. Rozprawy, Wydawnictwo Politechniki Poznańskiej 2013; nr 496.
• 2. Barlow R.E. Using influence diagrams. In: Clarotti CA, Lindley DV, editors. Accelerated life testing and experts' opinions in reliability 1988; 145–57.
• 3. Bartnik G., Kalbarczyk G. and Marciniak A. W. Application of the operational reliability model to the risk analysis in medical device production. Teka 2011;Vol. XIC: 366-370.
• 4. Bartnik G., Kusz A. and Marciniak A. Dynamiczne sieci bayesowskie w modelowaniu procesu eksploatacji obiektów technicznych. Inżynieria Wiedzy i Systemy Ekspertowe, Oficyna Wydawnicza Politechniki Wrocławskiej 2006; t. II: 201-208.
• 5. Bartnik G. and Marciniak A. W. Operational reliability model of the production line. Teka 2011; Vol. XIC: 361-365.
• 6. Berners-Lee T., Karger D.R., Stein L.A., Swick R.R., Weitzner D.J. Proposal: Semantic Web Development Retrieved from W3C 2000.
• 7. Berners-Lee, Hendler J., Lassila O. The Semantic Web. Scientific American 2001.
• 8. Chmielecki A. Konceptualne podstawy kognitywistyki – krytyka i propozycje własne. Szczecin: VII Zjazd Filozoficzny 2004.
• 9. Chun Su, Ye-qun Fu.:Reliability Assessment for Wind Turbines Considering the Influence of Wind Speed Using Bayesian Network. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2014; 16 (1): 1–8.
• 10. Cost S., Finin T., Joshi A. A Case Study in the Semantic Web and DAML+OIL. IEEE Intelligent Systems 2002, http://dx.doi.org/10.1109/5254.988447.
• 11. Dokumentacja programu BayesiaLab. http://www.bayesia.com, 10.06.2014.
• 12. Doguc O. and Ramirez-Marquez J.E. A generic method for estimating system reliability using Bayesian networks. Reliability Engineering and System Safety 2009; 94: 542-550, http://dx.doi.org/10.1016/j.ress.2008.06.009.
• 13. Halpern J., Y. Reasoning about uncertainty. The MIT Press Cambridge, Massachusetts, London, 2005.
• 14. Hołaj H., Kusz A., Maksym P., Marciniak A. W. Modelowanie problemów decyzyjnych w integrowanym systemie produkcji rolniczej. Inżynieria Rolnicza 2011; 6 (131): 53-60.
• 15. Kocira S., Kuboń M. The operating costs machines and general type of farming. Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu SERiA 2011;Tom XIII, Zeszyt 6: 103-107.
• 16. Kusz A., Maksym P., Marciniak A. W. Bayesian networks as knowledge representation system in domain of reliability engineering. Teka 2011; Vol. XIC: 173-180.
• 17. Kusz A., Maksym P., Skwarcz, J. Grudziński J. The representation of actions in probabilistic networks. Teka 2013; Vol. XII: 41-47.
• 18. Kusz A., Marciniak A.W. Modelowanie niezawodności złożonych systemów bioagrotechnicznych. Inżynieria Rolnicza 2010; 5 (114): 147-154.
• 19. Maksym P. Podstawowe zasady modelowania procesu produkcji rolniczej. Inżynieria rolnicza 2011; 1 (126): 155-162.
• 20. Maksym P., Marciniak A. W., Kostecki R. Zastosowanie sieci bayesowskich do modelowania rolniczego procesu produkcyjnego. Inżynieria Rolnicza 2006; 12 (87): 321-330.
• 21. Maksym P., Marciniak A. W., Kusz A. Modelowanie syntezy działań ochronnych w rolniczym procesie produkcyjnym. Inżynieria Rolnicza 2011; 4 (129): 213-220.
• 22. Marciniak A. Projektowanie systemu reprezentacji wiedzy o rolniczym procesie produkcyjnym. Rozprawy naukowe Akademii Rolniczej w Lublinie, Wydział Inżynierii Produkcji 2005; zeszyt 298.
• 23. Młyńczak M. Metodyka badań eksploatacyjnych obiektów mechanicznych. Oficyna Wydawnicza Politechniki Wrocławskiej, 2012.
• 24. Muzalewski A. Koszty eksploatacji maszyn. Wydawnictwo ITP, 2010; 25.
• 25. Oniśko A., Marek J. Druzdzel M. J., Wasyluk H. Learning Bayesian network parameters from small data sets: Application of noisy-or gates. International Journal of Approximate Reasoning 2001; 27(2): 165–182, http://dx.doi.org/10.1016/S0888-613X(01)00039-1.
• 26. Pearl J. Fusion, Propagation, and Structuring in Belief Networks. Artificial Intelligence. 1986; 29(3): 241-288, http://dx.doi.org/10.1016/0004-3702(86)90072-X.
• 27. Pearl J. Probabilistic Reasoning in Intelligent Systems: Network of Plausible Inference. Morgan Kaufmann, 1988.
• 28. Piasecki S. Eksploatacyjna ocena wyrobu na przykładzie maszyn roboczych. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2001; 1(8): 3-8.
• 29. Piasecki S. Zasady analizy i oceny obiektu technicznego. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2001; 1(8): 50-51.
• 30. Tchangani A.P. Reliability analysis using Bayesian networks. Stud. Inform. Control 2001; 10(3): 181–188.